城市土壤重金属来源解析模型研究综述

城市土壤重金属来源解析模型研究综述一、城市土壤重金属污染的研究背景与模型解析的核心价值城市土壤作为城市生态系统的核心组成部分，承担着涵养水源、调节微气候、支撑城市绿化与农业生产等多重功能，其环境质量直接关系到居民健康与城市生态安全。随着工业化与城市化进程的快速推进，工业排放、交通活动、生活垃圾堆积等人为活动导致大量重金属进入城市土壤环境，镉、铅、铬、汞、砷等典型重金属元素因其难降解、易累积、生物毒性强的特性，成为城市土壤污染防治的重点关注对象。我国2022年发布的《全国土壤污染状况公报》显示，城市及周边工业用地土壤重金属点位超标率达18.7%，其中工业遗留地块、交通干线周边、老旧城区的重金属污染风险尤为突出，部分区域土壤中铅、镉含量超过背景值5倍以上，已对城市人居环境安全构成现实威胁。重金属来源的精准识别是污染管控与修复治理的前提。与自然成土过程带来的本底重金属含量不同，人为来源的重金属输入具有多源性、复杂性、时空异质性强的特征：工业企业废气沉降、机动车尾气排放、建筑施工扬尘、化肥农药施用、垃圾焚烧副产物等不同来源的重金属往往相互叠加，在不同城市功能区呈现出截然不同的浓度分布规律，仅通过浓度检测难以区分各来源的贡献占比。来源解析模型通过量化不同污染源与土壤重金属含量之间的响应关系，能够将复杂的污染来源拆解为可识别的独立组分，计算各来源的贡献率，为城市土壤污染的“溯源-管控-修复”全链条治理提供核心数据支撑。目前我国多地在土壤污染防治行动计划实施过程中，已将来源解析结果作为划定污染管控区、制定行业减排政策的核心依据，模型解析的准确性直接决定了污染治理措施的靶向性与成本效益。二、传统来源解析模型的原理、应用场景与局限性（一）化学质量平衡模型（CMB）化学质量平衡模型是最早实现标准化应用的受体模型之一，其核心原理基于质量守恒定律：假设土壤中某一重金属的总浓度等于各污染源排放的该重金属浓度乘以其贡献系数的线性加和，且不同污染源的重金属特征谱（即各元素之间的比例关系）具有稳定性和差异性。使用该模型的前提是需预先明确研究区域内的所有潜在污染源，且已测定各污染源的特征成分谱，通过最小二乘法拟合即可计算出各污染源对土壤重金属的贡献率。在城市土壤研究中，CMB模型的优势在于原理直观、解析结果明确，适用于污染源类型较少、源谱信息完善的区域。以上海老旧工业区土壤重金属解析研究为例，研究人员预先测定了钢铁冶炼排放源、燃煤锅炉排放源、交通排放源的重金属特征谱，应用CMB模型计算得出钢铁冶炼对区域土壤中铬、镍的贡献率达62%，燃煤源对砷、汞的贡献率达48%，解析结果与区域工业活动历史高度吻合，为后续工业遗留地块的分类修复提供了直接依据。但该模型的局限性也十分突出：一方面，若研究区域存在未知污染源，会导致拟合误差显著增大，解析结果出现偏差；另一方面，当不同污染源的特征谱相似度较高时（如部分工业排放源与燃煤源的重金属比例接近），模型难以有效区分，容易出现共线性问题，因此不适用于污染源复杂的大型城市全域土壤解析工作。（二）多元统计分析模型多元统计分析模型是现阶段应用最广泛的一类定性与半定量解析方法，核心是通过对土壤重金属浓度数据集的统计分析，识别具有相似来源特征的元素组合，进而推断污染来源。常用的方法包括主成分分析（PCA）、因子分析（FA）、聚类分析（CA）、正定矩阵因子分解法（PMF）等，其中主成分分析与正定矩阵因子分解法的应用最为普遍。主成分分析通过对高维的重金属浓度数据进行降维处理，将多个相关的重金属变量转化为少数几个互不相关的主成分，每个主成分对应一类具有相似来源的重金属组合。例如在珠三角某市主城区土壤重金属研究中，主成分分析提取出3个主成分：第一主成分以铅、锌、镉为主，载荷系数均超过0.8，结合区域交通流量数据判断为交通排放源；第二主成分以铬、镍为主，对应工业冶炼排放；第三主成分以铁、锰为主，与土壤母质元素特征一致，判断为自然来源。而正定矩阵因子分解法在主成分分析的基础上进行了优化，引入了非负约束（即源贡献和源成分谱均为非负值），同时能够对数据的不确定度进行加权处理，解析结果的可靠性更高，且可直接输出各污染源的定量贡献值，无需预先掌握源谱信息，因此成为近年来中小尺度城市土壤来源解析的首选方法。但多元统计模型的应用存在明显的适用边界：一是解析结果的解释高度依赖研究人员对区域污染源的背景认知，相同的统计结果可能因研究人员的经验差异得出不同的来源推断结论，存在较强的主观性；二是该类模型难以对贡献占比低于10%的次要污染源进行有效识别，容易遗漏低剂量高毒性的重金属来源；三是模型无法区分具有相似元素组合的不同污染源，例如农业活动施用的磷肥与部分工业废渣均具有高镉、高锌的特征，仅通过统计分析难以准确区分二者的贡献。（三）同位素示踪模型同位素示踪模型利用重金属元素的同位素组成特征具有“指纹”特性的原理开展来源解析：不同来源的同一种重金属元素往往具有不同的同位素比值，例如铅的同位素比值²⁰⁶Pb/²⁰⁷Pb在自然土壤母质中通常为1.20~1.22，在汽油燃烧排放的铅中约为1.08~1.12，在工业冶炼排放的铅中为1.15~1.18，通过测定土壤样品中的同位素比值，结合端元混合模型即可计算各来源的贡献占比。同位素示踪的优势在于结果精准、客观性强，能够有效区分元素组成相似的不同污染源，在重金属溯源研究中常被作为验证其他模型结果的“金标准”。在北京市某居民区土壤铅污染溯源研究中，研究人员同时应用主成分分析与铅同位素示踪，发现主成分分析将铅的来源判定为交通排放与燃煤排放各占50%，但同位素示踪结果显示老旧住宅油漆脱落对土壤铅的贡献率达42%，交通排放贡献率为37%，燃煤排放仅为21%，修正了多元统计模型的偏差，为居民健康风险管控提供了更准确的依据。但该模型的应用成本较高，同位素检测所需的质谱仪设备昂贵，单样品检测成本是常规重金属浓度检测的10倍以上，且目前仅有铅、镉、汞等少数重金属元素的同位素示踪技术成熟，铬、镍、锌等元素的同位素源谱数据库尚不完善，难以实现多元素的同步解析，因此难以应用于大范围、多元素的城市土壤重金属来源普查工作。三、新型来源解析模型的技术路径与应用进展（一）机器学习与人工智能解析模型随着大数据技术的发展，机器学习算法被逐步应用于城市土壤重金属来源解析领域，其核心优势在于能够自主挖掘重金属浓度、空间位置、环境变量、污染源分布等多源数据之间的非线性关系，无需预先假设源谱与污染传输过程，适用于复杂多源的城市土壤污染场景。目前应用较广的算法包括随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）、梯度提升树（GBDT）等。随机森林模型是目前应用最成熟的机器学习解析方法，其通过构建多棵决策树对数据集进行训练，能够输出各环境变量对重金属浓度的重要性评分，同时结合污染源的空间分布数据实现来源的识别与贡献量化。在长三角某千万级人口城市的全域土壤重金属解析研究中，研究人员整合了2000个土壤样点的8种重金属浓度数据、土地利用类型、工业企业分布、交通路网密度、土壤母质类型、大气沉降通量等12类变量数据，训练随机森林模型对各来源的贡献进行解析，结果显示该城市土壤重金属的主要来源依次为工业排放（34%）、交通活动（28%）、农业投入（18%）、自然成土（20%），模型的拟合优度R²达0.87，远高于传统PMF模型的0.69，且能够精准识别出电子垃圾拆解、电池生产等贡献率仅为6%的次要污染源，解析结果通过了同位素示踪验证，误差小于10%。更前沿的研究开始探索深度学习模型在来源解析中的应用，卷积神经网络（CNN）能够结合土壤重金属的空间分布特征与遥感影像数据，自动捕捉污染源的空间扩散规律；长短期记忆网络（LSTM）能够结合多年的土壤重金属监测数据，解析不同时期污染源的动态变化特征。但机器学习模型的应用也存在瓶颈：一是模型的可解释性较差，属于“黑箱”模型，难以明确输入变量与输出结果之间的物理机制，解析结果的合理性论证难度较大；二是模型训练需要大量的样本数据与辅助变量数据，数据量不足时容易出现过拟合问题，在监测点位稀疏的城市区域应用受限。（二）扩散耦合受体模型扩散耦合受体模型是将污染源排放扩散模型与受体模型相结合的一类复合模型，解决了传统受体模型无法反映污染物传输过程的缺陷。其核心思路是先通过大气扩散模型、水文径流模型等模拟不同污染源排放的重金属在大气、水介质中的传输过程，计算各污染源对研究区域的重金属输入通量，再将通量数据作为约束条件代入受体模型进行拟合，最终得到更符合实际传输规律的来源贡献结果。以大气沉降来源的重金属解析为例，传统受体模型无法区分不同距离的工业排放源对土壤重金属的贡献，而应用WRF-Chem大气扩散模型与PMF模型耦合的方法，可先模拟各工业企业排放的重金属在大气中的传输、沉降过程，得到每个企业对研究区域各点位的重金属沉降贡献谱，再将该谱作为PMF模型的约束条件进行拟合，能够精准区分不同工业源的贡献占比。在天津市滨海新区土壤重金属解析研究中，研究人员应用扩散耦合模型计算得出，距离研究区10km内的钢铁企业对土壤铬的贡献率为37%，10~30km范围内的燃煤电厂贡献率为22%，30km外的工业源贡献率仅为8%，为跨区域的大气重金属联防联控提供了数据支撑。此外，针对城市面源污染，有研究将SWMM雨水径流模型与受体模型耦合，解析城市地表径流携带的重金属对公园、绿地土壤的贡献，弥补了传统模型对水相传输来源解析的不足。这类耦合模型的局限性在于模拟过程需要大量的污染源排放参数、气象参数、水文参数作为输入，参数的不确定性会直接传导到解析结果中，且模型运行过程复杂，计算成本高，目前仅适用于小范围、单介质传输的污染源解析，尚未实现多介质、多路径的耦合模拟。（三）多技术联合溯源模型多技术联合溯源是当前来源解析研究的重要发展方向，其核心是整合不同模型的优势，通过“定性识别-定量解析-结果验证”的多步骤流程，最大限度降低单一模型的应用偏差。目前主流的联合解析框架包括“多元统计+同位素示踪”“机器学习+同位素示踪”“扩散模型+受体模型+同位素验证”三类。以“PMF模型+铅/镉同位素示踪”的联合框架为例，在重庆主城都市区土壤重金属解析研究中，研究人员首先应用PMF模型初步识别出4类潜在污染源，得到各污染源的贡献占比范围，再选取典型污染源与土壤样品进行铅、镉同位素比值测定，通过端元混合模型计算各端元的贡献值，对PMF的解析结果进行校正。结果显示，联合解析将PMF模型的解析误差从18%降低到7%，明确了区域土壤中42%的镉来自农业磷肥施用，31%来自铅锌矿开采排放，27%来自交通与燃煤排放，为流域重金属污染管控提供了精准依据。另一类应用广泛的联合框架是“空间分析+多元统计+健康风险评估”，通过地理信息系统（GIS）的空间聚类分析识别重金属高值区，结合多元统计模型识别高值区对应的污染来源，再将来源解析结果与健康风险评估耦合，能够直接识别出对居民健康风险贡献最大的污染源，实现从来源解析到风险管控的直接衔接。四、模型应用的关键挑战与未来发展方向当前城市土壤重金属来源解析模型的应用仍面临三大共性挑战：一是时空异质性的适配性不足，城市不同功能区的污染源类型、排放强度、传输路径差异极大，同一模型在工业区、商业区、农业区的解析精度波动可达20%以上，缺乏普适性的模型参数校准方法；二是多介质输入的耦合解析能力不足，城市土壤重金属的输入途径包括大气沉降、径流输入、人类活动直接倾倒等多种路径，现有模型大多只能针对单一介质来源进行解析，难以量化不同输入途径的贡献占比；三是不确定性的量化与控制体系不完善，现有研究大多只输出单一的贡献值结果，很少对模型参数、输入数据、算法选择带来的不确定性进行量化分析，导致解析结果的可靠性难以评估。未来的模型发展将围绕三个方向推进：第一，多源数据融合的智能化解析模型开发，结合卫星遥感、物联网监测、大